공급망 분석으로 수요 예측과 재고 정책을 연결하는 방법

수요 신호가 재고 정책과 실행으로 이어지는 구조

공급망 분석(Supply Chain Analytics, SCA)은 수요·공급·리드타임·비용 데이터를 토대로 예측, 최적화, 실행을 연결하는 분석·운영 체계다. 서비스 수준을 높이는 동시에 운전자본과 비용을 낮추는 균형이 목표다.

수요 예측은 시계열, 계층적, 프로모션, 신제품 예측 모델을 사용해 MAPE/WAPE를 개선하고 변동성(σ)을 추정한다. 이 결과는 재고 정책의 입력값이 된다.

재고 최적화는 안전재고(SS), 재주문점(ROP), 주문량(EOQ/정책 기반), 다단계 재고(MEIO)를 다룬다. 서비스 수준 목표인 예: 95% CSL/필레이트를 충족하면서 비용을 최소화해야 한다.

채찍효과(Bullwhip Effect)는 수요 변동이 공급망 상류로 갈수록 증폭되는 현상이다. B = Var(주문)/Var(실수요)로 계산하며, B가 1보다 크면 증폭으로 본다. 운영 목표는 B를 낮추는 데 있다.

데이터와 정책을 연결하는 운영 구성

분석의 출발점은 ERP 발주·입고, WMS 재고, POS 판매, 리드타임 이력, 가격·프로모션 데이터다. 누락과 이상치를 보정하고, 휴일·영업일 달력을 정규화하며, SKU와 조직 계층을 맞춰야 한다. 스키마·버전 관리, 데이터 SLA, 메타데이터 카탈로그도 함께 운영한다.

예측 엔진은 Naive, ETS, ARIMA, GBM, DeepAR를 섞어 SKU 단위로 선택할 수 있다. SKU-점포에서 지역, 국가로 이어지는 계층은 Top-down, Bottom-up, MinT 방식으로 조정한다. 예측 오차 분포와 리드타임 분포를 결합해 변동성을 다루고, 간헐수요에는 Croston/TSB를 적용한다.

재고 정책에는 (s, Q) 연속검토, (R, S) 주기검토, 최소/최대(min-max), MEIO가 있다. 보유비용(h), 발주비용(K), 결품비용(p) 또는 서비스 수준 제약을 비용 함수에 반영한다. MOQ, 리드타임, 용량, 유통기한 같은 현실 제약은 MILP나 휴리스틱으로 포함한다.

계획 결과는 ERP/MRP/OMS로 전달된다. ERP 기록에는 낙관적 락을 적용해 동시성을 관리하고, 서비스 수준·결품·초과재고 지표를 감시해 재최적화 시점을 잡는다. S&OP에서는 수요와 공급을 하나의 계획으로 합의하고, 시나리오 비교와 승인 워크플로를 연결한다.

성과 관리는 MAPE/WAPE, Fill rate, Inventory turns, Bullwhip ratio를 기준으로 한다. 백테스트와 챔피언-챌린저 방식, 드리프트 감지와 재학습 파이프라인을 통해 모델을 계속 점검한다. 서비스 수준과 검토주기 파라미터는 A/B 테스트로 비용-서비스 균형을 조정한다.

입력 오류와 실행 경합을 다루는 흐름

⤢✕

ERP 기록에서는 낙관적 락을 사용하고, 버전 충돌이 생기면 롤백과 재시도로 처리한다. 데이터 품질 기준을 충족하지 못했을 때는 경보를 발생시킨 뒤 결측을 대체하고 다시 처리한다.

유통·제조·이커머스에서의 적용

유통과 리테일에서는 프로모션과 계절성을 반영한 계층 예측을 구축하고, SKU-점포 단위에 (R, S) 정책을 적용한다. ABC 등급별 서비스 수준을 다르게 설정하고 냉장·상온의 리드타임 분포를 분리한다. 이 방식의 결과로 결품률 3050% 감소, 초과재고 1020% 축소가 제시된다.

제조 환경에서는 공장→DC→지점의 다단계 재고를 최적화한다. 풀링 효과로 안전재고 총량을 줄이고, BOM·생산캘린더·MOQ·로트·용량 제약을 포함한 MILP를 적용한다. 운전자본 1525% 절감과 납기 준수율 37%p 개선이 결과로 제시된다.

이커머스와 마켓플레이스에서는 간헐 수요 품목에 Croston/TSB를 적용하고, 신제품에는 유사도 기반 콜드스타트를 사용한다. 벤더별 리드타임 변동을 고려해 재주문점과 가용재고를 동적으로 조정한다. 긴급배송 비용 2035% 절감, 회전율 1020% 개선이 기대된다.

안전재고·주문량·변동성의 계산 기준

안전재고와 재주문점의 예에서는 일평균 수요 μd=500, 표준편차 σd=120, 리드타임 L=7일, 서비스 수준 95%(z≈1.645)를 가정한다.

• 리드타임 수요 변동: σL = σd·√L = 120·√7 ≈ 120·2.646 = 317.5
• 안전재고: SS = z·σL ≈ 1.645·317.5 = 522
• 재주문점: ROP = μd·L + SS = 500·7 + 522 = 4,022

재고가 4,022 이하가 되면 주문을 트리거하며, 목표 서비스 수준 95%를 충족하도록 설계한 값이다.

EOQ 예에서는 연수요 D=100,000, 발주비 K=50, 보유비 h=2를 가정한다.

EOQ = √(2DK/h) = √(2·100,000·50/2) = √5,000,000 ≈ 2,236

이는 발주비와 보유비의 총합을 최소화하는 주문량을 추정한 것이다.

채찍효과는 기간별 분산을 비교한다. Var(주문)=400, Var(실수요)=100이라면 Bullwhip ratio B = 400/100 = 4가 된다. 상류 주문 변동이 수요의 4배인 상태이므로 원인을 탐지하고 완화할 필요가 있다.

채찍효과를 낮추는 운영 장치

POS 판매와 프로모션 정보를 실시간으로 공유하고 수요·공급 계획을 하나로 맞추면 예측과 주문의 동조화를 통해 변동성 증폭을 억제할 수 있다.

MOQ와 정량 주문을 완화하고 주문 주기와 양의 랜덤화를 막으면 주문 묶음화가 만드는 변동성 피크를 줄일 수 있다.

표준작업, 우선순위 규칙, 약정 리드타임 관리는 리드타임과 그 가변성을 낮춘다. 보호기간 수요 분산이 작아지면서 안전재고와 B 값을 함께 낮추는 효과가 있다.

VMI/CRP처럼 공급사가 보충을 주도하고 재고 가시성을 공유하는 방식은 이중 예측을 없애고 상류와 하류의 신호를 맞춘다.

예측 접근 방식별 운영 특성

지표	규칙 기반(이동평균/안전계수)	통계 모델(ETS/ARIMA)	ML/딥러닝(GBM/DeepAR)
성능	단순 패턴 양호, 프로모션/신제품 취약	계절·추세 강점, 비선형 한계	복잡 패턴·프로모션 우수
확장성	매우 높음	높음(병렬 예측)	높음(분산 학습 필요)
일관성	계층 합치 어려움	조정 기법(MinT) 용이	계층 학습/조정 병행 필요
안정성	데이터 잡음 민감 낮음	파라미터/과적합 리스크	데이터 드리프트 민감
운영 편의	해석 용이, 튜닝 단순	중간 난이도	피처/서빙·MLOps 요구

서비스 수준과 운영 복잡성의 균형

서비스 수준을 높이면 안전재고도 늘어난다. 수익기여도와 지역에 따라 차등 적용하는 전략이 필요하다.

단일단계 재고와 다단계 재고(MEIO)는 총재고 절감과 모델·데이터 복잡성 사이의 트레이드오프를 가진다. 중앙 정책은 일관성을 주지만 현지 수요 대응은 느려질 수 있으므로, 중앙집중과 현지화를 결합한 하이브리드 거버넌스가 적합하다.

운영 전에는 리드타임 분포의 평균·표준편차, 달력·휴일, SKU·조직 계층의 정합성을 확인한다. ABC 등급별 서비스 수준과 비용(h/K/p), MOQ, 용량 제약을 명시하고, 백테스트·MAPE/WAPE 보고, 드리프트 경보, S&OP 월간 사이클을 운영에 포함한다.

안전재고와 재주문점 계산 코드

전제조건: Python 3.10+, numpy 설치

import math

def rop_ss(mu_d, sigma_d, lead_time_days, service_z):
    sigma_L = sigma_d * math.sqrt(lead_time_days)
    ss = service_z * sigma_L
    rop = mu_d * lead_time_days + ss
    return round(ss), round(rop)

# 예: μd=500, σd=120, L=7, z=1.645(95% CSL)
print(rop_ss(500, 120, 7, 1.645))  # (522, 4022)

재고회전은 1030% 개선되고 운전자본은 1020% 절감될 수 있다. 결품률은 2050% 감소하며, 긴급배송·특급생산 비용은 1535% 절감될 수 있다. Bullwhip ratio는 30~60% 축소가 제시된다.

계획과 실행을 하나로 연결하면 의사결정의 투명성과 재현성이 높아지고, S&OP 협업과 예외 중심 운영으로 전환할 수 있다. 상위 20% 품목부터 적용 범위를 넓히고 지표 기반 학습 루프를 운영하는 방식이 권장된다.